[论文解读] Learning Causal Hazard Ratio with Endogeneity
本文提出了一种新颖的闭式估计量，用于在未测量混杂因素存在的情况下，对生存分析中的总体边际因果风险比进行估计，该方法利用二值工具变量和无交互作用假设。这是在具有右删失结果的Cox模型框架下，首次实现一致因果推断的方法。
Cox's proportional hazards model is one of the most popular statistical models to evaluate associations of a binary exposure with a censored failure time outcome. When confounding factors are not fully observed, the exposure hazard ratio estimated using a Cox model is not causally interpretable. To address this, we propose novel approaches for identification and estimation of the causal hazard ratio in the presence of unmeasured confounding factors. Our approaches are based on a binary instrumental variable and an additional no-interaction assumption. We derive, to the best of our knowledge, the first consistent estimator of the population marginal causal hazard ratio within an instrumental variable framework. Our estimator admits a closed-form representation, and hence avoids the drawbacks of estimating equation based estimators. Our approach is illustrated via simulation studies and a data analysis.
研究动机与目标
- 解决在存在未测量混杂因素时，Cox比例风险模型缺乏因果可解释性的问题。
- 在存在未测量混杂因素的情况下，开发一种识别和估计因果风险比的方法。
- 利用二值工具变量，建立总体边际因果风险比的正式识别策略。
- 提供一种计算高效、无需估计方程方法局限性的闭式估计量。
- 通过模拟研究和真实数据应用，在生存分析场景中验证该方法。
提出的方法
- 利用二值工具变量，在工具变量与结果之间无未测量混杂（条件于可观测协变量）的假设下，识别因果风险比。
- 在风险函数上施加暴露与工具变量之间无交互作用的假设，以实现边际因果效应的识别。
- 推导出总体边际因果风险比的闭式估计量，避免迭代计算或求解估计方程。
- 将该估计量应用于模拟数据和真实世界生存数据，以展示其一致性和实际应用价值。
- 在结构因果模型框架内采用标准生存分析技术，以确保在维持假设条件下的有效因果推断。
实验结果
研究问题
- RQ1在存在未测量混杂因素时，能否通过工具变量方法一致地识别因果风险比？
- RQ2在具有右删失结果的生存模型中，识别边际因果风险比需要哪些假设？
- RQ3在Cox模型框架下，如何基于工具变量假设推导出因果风险比的闭式估计量？
- RQ4与现有的基于估计方程的方法相比，所提出的估计量在偏差、效率和计算可行性方面表现如何？
- RQ5在各种未测量混杂配置下，该估计量在有限样本中的经验表现如何？
主要发现
- 所提出的方法是在未测量混杂因素存在下，利用二值工具变量对总体边际因果风险比进行一致估计的首次实现。
- 该估计量具有闭式解，可直接计算，无需迭代优化或求解估计方程。
- 模拟研究显示，在模型假设正确时，该估计量在有限样本中表现出良好的性能。
- 当满足无交互作用假设和工具变量条件时，该方法能实现有效的因果推断。
- 该方法适用于真实世界生存数据，通过数据分析示例展示了其实际应用价值和稳健性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。